О клиенте
NDA проект для IT-компании с офисами в Восточной Европе и распределённой командой более чем из 400 сотрудников. Активно нанимает специалистов как в разработку, так и в поддержку и маркетинг. Основной фокус — быстрое масштабирование команды без потери качества подбора. На момент старта проекта в компании одновременно было открыто до 30 вакансий.
Задача
HR-отдел продуктовой IT-компании сталкивался с типовой, но болезненной проблемой:
Основной задачей было снизить нагрузку на рекрутеров и ускорить процесс первичного отбора, не снижая качества найма. При этом важно было сохранить «человеческое» взаимодействие, поскольку компания нанимает не только технарей, но и креативные, клиентские роли.
- в среднем от 80 до 120 откликов на одну вакансию,
- до 30 минут на первичный разбор одного резюме,
- задержки с фидбеком, из-за чего терялись ценные кандидаты.
Основной задачей было снизить нагрузку на рекрутеров и ускорить процесс первичного отбора, не снижая качества найма. При этом важно было сохранить «человеческое» взаимодействие, поскольку компания нанимает не только технарей, но и креативные, клиентские роли.
Процесс создания
1. Исследование и маппинг процессов
Мы провели интервью с HR-командой, выделили типовые коммуникационные паттерны и слабые места в воронке (долгий первый контакт, хаотичная сегментация кандидатов, перегруз на этапе «письмо-резюме-интервью»).
2. Формулировка логики и сценариев
Были прописаны блоки:
3. Создание ИИ-агента
Мы разработали текстового агента с NLP-движком, обученным на диалогах рекрутеров компании, который работает через Telegram.
Он автоматически:
4. Тестирование и запуск
На первом этапе ассистент обрабатывал только отклики на 2 роли — Junior QA и Middle Frontend. После 3 недель пилота охват расширили до всех массовых вакансий. Постепенно ему доверили этап после интервью — сбор обратной связи.
Мы провели интервью с HR-командой, выделили типовые коммуникационные паттерны и слабые места в воронке (долгий первый контакт, хаотичная сегментация кандидатов, перегруз на этапе «письмо-резюме-интервью»).
2. Формулировка логики и сценариев
Были прописаны блоки:
- обработка отклика;
- проверка ключевых критериев (стек, релевантный опыт, язык);
- диалог: приветствие, ответы на частые вопросы, приглашение на интервью;
- передача «живому» рекрутеру, если кандидат нестандартный.
3. Создание ИИ-агента
Мы разработали текстового агента с NLP-движком, обученным на диалогах рекрутеров компании, который работает через Telegram.
Он автоматически:
- сегментирует кандидатов по заданным критериям;
- отвечает на типовые вопросы;
- отправляет приглашения на интервью;
- собирает обратную связь после собеседований.
4. Тестирование и запуск
На первом этапе ассистент обрабатывал только отклики на 2 роли — Junior QA и Middle Frontend. После 3 недель пилота охват расширили до всех массовых вакансий. Постепенно ему доверили этап после интервью — сбор обратной связи.
Результат
ИИ-агент снизил нагрузку на HR-команду на 60% и помог сохранить до 25% ценных кандидатов
Он взял на себя все повторяющиеся задачи: проверку откликов, ответы на стандартные вопросы и приглашения на интервью. Благодаря этому рекрутеры перестали тратить время на первичную сортировку и стали работать с кандидатами на более поздних этапах — там, где действительно важна оценка мотивации и потенциала.
Процесс отклика и коммуникации стал для кандидатов прозрачнее: они быстро получали обратную связь и понимали, на каком этапе находятся. Это сократило количество «потерянных» откликов и снизило напряжение в коммуникации.
Он взял на себя все повторяющиеся задачи: проверку откликов, ответы на стандартные вопросы и приглашения на интервью. Благодаря этому рекрутеры перестали тратить время на первичную сортировку и стали работать с кандидатами на более поздних этапах — там, где действительно важна оценка мотивации и потенциала.
Процесс отклика и коммуникации стал для кандидатов прозрачнее: они быстро получали обратную связь и понимали, на каком этапе находятся. Это сократило количество «потерянных» откликов и снизило напряжение в коммуникации.